Development of an integrated method between deep learning and physical models in lowland drainage management with insufficient observed data
| Project/Area Number |
21K05838
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 41030:Rural environmental engineering and planning-related
|
|---|
| Research Institution | National Agriculture and Food Research Organization |
|---|
Principal Investigator |
木村 延明 国立研究開発法人農業・食品産業技術総合研究機構, 農村工学研究部門, 上級研究員 (40706842)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2023: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2022: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2021: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 少ないデータ量 / 深層学習 / 水位予測手法 / 物理モデル / 少ない量のデータ / 排水管理 / データ補完技術 / 転移学習 |
|---|
| Outline of Research at the Start |
効率、かつ迅速な低平地の排水管理を行なうために、深層学習モデルを導入した水位予測手法が必要であるものの、深層学習モデルの実行に不可欠な良質、かつ大量の観測データの収集に時間と労力を奪われることが課題である。これを解決するために、物理モデルを導入し、観測値の代替となる擬似データを生成する。さらに、あるデータのパターンを別のデータに転移する「転移学習」を導入することで、疑似データを観測値に近似できる。このように、物理モデルに起因する誤差を含む疑似データをより現実的なデータに修正し、データ補充を行うことで、観測データが不十分な場合にも物理モデルと深層学習モデルによって高精度な水位予測を可能にする。
|
| Outline of Annual Research Achievements |
本研究では、深層学習による予測モデルについて、大規模洪水イベントのようなデータ量が少ない現象の場合でも、物理モデルなどで類似する仮想データを人工的に生成し、それらを予測モデルの学習データとして用い、事前学習モデルを構築した上で、実測値の特徴を取り込むようにモデルの一部を再学習させることで、予測精度の高い水位予測モデルを構築する。
研究工程は、次の3つに分けられる。1）対象地区の選定とデータ収集・整理、2）仮想データを生成するための物理モデルなどの構築と深層学習モデルの構築、さらに深層学習と転移学習とをカップリングさせたプラットフォームの構築、3）転移学習を実装した水位予測手法による検証のための数値実験、並びに研究成果のまとめと論文などで公表することである。
研究進捗では、上記のステップ毎に説明を行う。1)に関して、低平地の排水機場の調整池で観測されたデータの収集と整理・解析を実施した（初年度）。2)に関して、転移学習の機能を利用するために必要な仮想データの生成を、モンテカルロ手法に基づく降雨確率モデルと対象流域で構築された流出解析モデルを用いて実施した（２年目）。なお、確率・物理モデルの構築とパラメータ調整などを既に完了させ、仮想データについて、模擬的な３つの豪雨群（100，300，500㎜/72 hour）に対応する洪水イベントの水位データを、豪雨群毎に1000個の仮想データセットをそれぞれ作成した。さらに、水位予測に用いる深層学習モデルの構築も行った。3）について、汎用システムの構築を目指し、現地に実装可能な深層学習モデルのパラメータ調整と共に転移学習と連携可能なプラットフォームを構築している。
成果では、本研究で構築された確率・物理モデル、深層学習、転移学習を全て連携させた水位予測モデルのプロトタイプを構築し、それに伴う試行計算の結果の一部を学術論文集などで公表した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究工程の2年目（R4年度）は、初年度に収集・整理された観測データなどを用いて、仮想データ生成のための確率モデル・物理モデルの構築とそれぞれのモデルの内部パラメータの調整を実施し、さらに、深層学習による汎用的な水位予測モデルの構築とパラメータ調整を行った。限られた現地データを用いて、各種モデルの内部パラメータの調整を行うなどの試行実験を行い、水位予測モデルの精度検証を実施した。さらに全モデルの連携を半自動的に行うためのプラットフォームについて、プロトタイプ版を作成した。
|
| Strategy for Future Research Activity |
最終年度の目標では、既に作成されたプロトタイプ版の水位予測モデルと連携プラットフォームについて、多様なモデルを組込めるような汎用性を有するプラットフォームに拡張するためにシステムの高度化と、複数地域のデータを適用するために深層学習モデルなどの予測モデルの高度化を行う予定である。
|
Report
(2 results)
Research Products
(4 results)
